通俗而言，統計模式識別主要是將一種模式正確地分成幾種現有的模式類，其研究的熱點問題主要包括圖像預處理、特征提取與選擇、參數或非參數概率密度估計、控制決策、結果評估、后期處理、有監督或無監督學習訓練以及簇分析。
遙感數據主要來源于安裝在衛星或空間航天器上的多譜段、超譜段、雷達、光學或紅外傳感器，這些現有的大量遙感數據使得統計模式識別尤為適用。現有的統計模式識別理論，絕大部分是從20世紀 60年代發展起來的，主要有基于貝葉斯近鄰域決策和密度估計理論的模式識別構建，將Parzen密度估計應用非參數模式識別，統計長度測量和錯誤邊界于邊緣提取，Fisher線性判別式和多分類歸納，K均值算法等。人工神經網絡和支持向量機經過近20年的發展，它們也被應用于統計分類器中。
特征提取與選擇是統計模式識別中一個最基本的問題。在遙感圖像中，一個簡單的特征提取和還原主要應用諸如主成分分析（PCA）、獨立分量分析（ICA）和小波分析等變換方法。從模式分類的角度出發，神經網絡方法特別適用于統計模式識別，尤其適用于解決遙感問題，因為它很少依賴于訓練樣本，極少根據Hughes現象選擇網絡結構；支持向量機也由于其同樣的優點而成功應用于統計模式識別中。
遙感數據主要來源于安裝在衛星或空間航天器上的多譜段、超譜段、雷達、光學或紅外傳感器，這些現有的大量遙感數據使得統計模式識別尤為適用。現有的統計模式識別理論，絕大部分是從20世紀 60年代發展起來的，主要有基于貝葉斯近鄰域決策和密度估計理論的模式識別構建，將Parzen密度估計應用非參數模式識別，統計長度測量和錯誤邊界于邊緣提取，Fisher線性判別式和多分類歸納，K均值算法等。人工神經網絡和支持向量機經過近20年的發展，它們也被應用于統計分類器中。
特征提取與選擇是統計模式識別中一個最基本的問題。在遙感圖像中，一個簡單的特征提取和還原主要應用諸如主成分分析（PCA）、獨立分量分析（ICA）和小波分析等變換方法。從模式分類的角度出發，神經網絡方法特別適用于統計模式識別，尤其適用于解決遙感問題，因為它很少依賴于訓練樣本，極少根據Hughes現象選擇網絡結構；支持向量機也由于其同樣的優點而成功應用于統計模式識別中。
通俗而言，統計模式識別主要是將一種模式正確地分成幾種現有的模式類，其研究的熱點問題主要包括圖像預處理、特征提取與選擇、參數或非參數概率密度估計、控制決策、結果評估、后期處理、有監督或無監督學習訓練以及簇分析。
遙感數據主要來源于安裝在衛星或空間航天器上的多譜段、超譜段、雷達、光學或紅外傳感器，這些現有的大量遙感數據使得統計模式識別尤為適用。現有的統計模式識別理論，絕大部分是從20世紀 60年代發展起來的，主要有基于貝葉斯近鄰域決策和密度估計理論的模式識別構建，將Parzen密度估計應用非參數模式識別，統計長度測量和錯誤邊界于邊緣提取，Fisher線性判別式和多分類歸納，K均值算法等。人工神經網絡和支持向量機經過近20年的發展，它們也被應用于統計分類器中。
特征提取與選擇是統計模式識別中一個最基本的問題。在遙感圖像中，一個簡單的特征提取和還原主要應用諸如主成分分析（PCA）、獨立分量分析（ICA）和小波分析等變換方法。從模式分類的角度出發，神經網絡方法特別適用于統計模式識別，尤其適用于解決遙感問題，因為它很少依賴于訓練樣本，極少根據Hughes現象選擇網絡結構；支持向量機也由于其同樣的優點而成功應用于統計模式識別中。
遙感數據主要來源于安裝在衛星或空間航天器上的多譜段、超譜段、雷達、光學或紅外傳感器，這些現有的大量遙感數據使得統計模式識別尤為適用。現有的統計模式識別理論，絕大部分是從20世紀 60年代發展起來的，主要有基于貝葉斯近鄰域決策和密度估計理論的模式識別構建，將Parzen密度估計應用非參數模式識別，統計長度測量和錯誤邊界于邊緣提取，Fisher線性判別式和多分類歸納，K均值算法等。人工神經網絡和支持向量機經過近20年的發展，它們也被應用于統計分類器中。
特征提取與選擇是統計模式識別中一個最基本的問題。在遙感圖像中，一個簡單的特征提取和還原主要應用諸如主成分分析（PCA）、獨立分量分析（ICA）和小波分析等變換方法。從模式分類的角度出發，神經網絡方法特別適用于統計模式識別，尤其適用于解決遙感問題，因為它很少依賴于訓練樣本，極少根據Hughes現象選擇網絡結構；支持向量機也由于其同樣的優點而成功應用于統計模式識別中。
打印
關閉